První část článku si můžete přečíst zde.
Úvod
Jako první tento pojem zavedl v roce 1955 emeritní profesor Stanfordovy univerzity John McCarthy, který AI definoval jako „vědu a inženýrství, které se zabývají vytvářením inteligentních strojů“. Dle WIPO je umělá inteligence „disciplínou informatiky, jejímž cílem je vývoj strojů a systémů, které mohou vykonávat úkoly považované za úkoly vyžadující lidskou inteligenci“. Termín se tedy zpravidla používá pro vývoj systémů vybavených intelektuálními procesy charakteristickými pro člověka, jako je schopnost uvažovat, objevovat význam nebo se učit z minulých zkušeností. V posledních letech je AI obvykle vnímána jako synonymum pro nástroje založené na strojovém učení nebo na hlubokém učení (strojové učení s využitím hlubokých neuronových sítí). [2][1]
Jedním z prvních vědců, kteří se výzkumu v této oblasti soustavně věnovali, byl britský matematik Alan Turing, který je považován za zakladatele moderní informatiky a je také autorem dodnes používané metody obecně známé jako tzv. Turingův test (1950), jejímž cílem je ověřit inteligenci stroje v interakci s člověkem. Poté došlo k útlumu vývoje AI, který byl znovu nastartován s nástupem umělých neuronových sítí a navýšením výpočetního výkonu počítačů. Významným milníkem byl počítač Deep Blue společnosti IBM, který v roce 1997 porazil ve hře v šachy světového šampiona Garyho Kasparova. [3]
Od přelomu nového tisíciletí našly AI nástroje uplatnění v mnoha oborech od sofistikovaných pokročilých aplikací až po jednoduché nástroje, které (často i nevědomky) využívá na denní bázi každý z nás. V současné době je umělá inteligence schopná vyřešit řadu obtížných a komplikovaných úkolů mnohem lépe než člověk, přičemž její budoucí využití může přinést obrovské změny a znamenat zásadní digitální transformaci společnosti.
Chatovací asistent
Chatovací asistent neboli chatbot je počítačový pro gram určený pro vedení interaktivní online konverzace s člověkem. Komunikace probíhá prostřednictvím textu, případně s využitím převodu řeči na text. Základní ver ze chatbotů byly založeny na bázi nabídky a pracující na principu rozhodovacího stromu, kde má uživatel k dispozici menu a v každém kroku kliknutím vybírá možnost nejlépe odpovídající jeho potřebám, přičemž na konci řetězce by se měl dostat k požadovaným informacím. Tyto chatboty jsou jednoduché a spolehlivé, avšak neumožňují zadání a ani vyřešení specializovaného problému, který se nachází mimo nabízené možnosti (chatbot ne zahrnuje okno pro vložení textu) a nelze je modifikovat pro jiný jazyk. Chatbot založený na pravidlech již pracuje s konkrétním dotazem formulovaným uživatelem, při čemž model je trénován na dvojicích modelových otázek a odpovědí. I v tomto případě je však chatbot schopen odpovídat pouze na otázky, na kterých byl trénován.[4]
V současné době je většina chatbotů založena na jazykových modelech NLP a trénována na velkém množství dat tak, aby byl chatbot schopen porozumět a odpovědět na jakýkoli dotaz, případně uživateli položit i doplňující otázky a co nejlépe vyhovět jeho požadavkům. Konverzační chat bot si může rovněž zapamatovat informace z minulých konverzací. Zvláště u konverzačních chatbotů a chatbotů generativních AI je důležitá analýza sentimentu pro lepší pochopení rozpoložení a potřeb uživatele, chatboti za ložení na velkých jazykových modelech se mohou také přizpůsobit vyjadřovacímu stylu uživatele, porozumět lidským chybám nebo porozumět i nesouvislým či zmateným dotazům. Standardní struktura chatbota se podobá expertnímu systému, který zahrnuje znalostní bázi se zdroji dat a komunikační rozhraní, kterým aplikace komunikuje s uživatelem. Chatbot může zodpovědět pouze otázky na informace, které jsou obsaženy ve znalostní bázi, chatboti s přístupem na internet mohou pro vytvoření odpovědi in formace vyhledávat i ve volně dostupných zdrojích.
V informačních systémech průmyslových práv je možné chatboty využít např. k zodpovídání obecných dotazů k průmyslovým právům, průběhu řízení o přihláškách, pokynů k online platbám, související legislativě apod. Pro poskytování přesných a spolehlivých informací je přitom zvláště důležitý obsah, kvalita a ochrana dat, tito chatboti tak zpravidla nemají přístup k internetu a disponují pouze omezeným souborem dat ve znalostní bázi. Pokud chatbot není schopen zodpovědět otázku uživatele, zpravidla jej odkáže na živého agenta. Výhodou tohoto přístupu při běžném provozu systému je, že tak lze dobře identifikovat informace, které ve znalostní bázi systému chybí a bude třeba je doplnit.
Dále je možné chatbota využívat jako nápovědu při vyhledávání v patentových a designových databázích anebo přímo pro samotné vyhledávání, přičemž chatbot může vyhledávat v několika různých databázích současně, a vy hledávání tak značně urychlit. Oproti vyhledávání pomocí klíčových slov může chatbot komunikující jazykem založeným na technikách NLP lépe porozumět dotazu uživatele a poskytnout relevantní výsledky. Nevýhodou vyhledá vání chatbota je, že postrádá lidské odborné znalosti pro posuzování relevance a zpravidla nemůže poskytnout po drobnou analýzu dokumentů, které nalezl. [5]
Podpora během řízení o patentové přihlášce
Patentová přihláška musí během řízení projít ověřením řady podmínek, které je nutné splnit k udělení ochrany. Kromě splnění formálních požadavků jde zejména o splnění podmínek na novost, vynálezecký krok a průmyslovou využitelnost vynálezu. V současné době je posouzení patentovatelnosti vynálezu téměř výhradně v rukou školených pracovníků, kteří musí být obeznámeni s platnou legislativou a zároveň disponovat schopností správně vyhledávat dokumenty popisující stav techniky v dané oblasti a analyzovat je ve vztahu k příchozí patentové přihlášce. Vyhledávání v tomto smyslu spočívá v nalezení všech relevantních dokumentů, které mohou ovlivnit pravděpodobnost udělení patentu.
Vyhledávání je převážně založeno na frekvenci klíčových slov a patentovém třídění, avšak je velmi časově a intelektuálně náročné, a ne vždy přináší uspokojivé výsledky. Jedním z důvodů je, že přihlašovatel si v přihlášce může pro popis vynálezu volit vlastní terminologii, která se s použitím synonymních výrazů může poměrně lišit od terminologie jiného dokumentu, přestože se oba týkají podobného řešení. Při vyhledávání pomocí klíčových slov tak mohou mít vyhledávací dotazy obrovské množství výsledků, avšak velká část výsledků je irelevantní k posuzované přihlášce, a zároveň mohou být opomenu ty dokumenty využívající odlišnou terminologii.[6]
Analýza a získávání potřebných informací z patentových dokumentů jsou založeny na pečlivém rozebrání a zpracování textu patentových dokumentů, přičemž každá část textu (název, abstrakt, nároky, podstata vynálezu, seznam výkresů, příkladná provedení) má jiný význam pro interpretaci dokumentu. Důraz je kladen zejména na zpracování patentových nároků a abstraktu, které zpravidla nesou klíčové informace o vynálezu, vzhledem k formalizované struktuře však může být těžké z nich vyčíst pravou podstatu a účel vynálezu. Doplňující informace a širší pohled na předkládané řešení pak zahrnuje popis vynálezu, který ale může být také zdrojem šumu. [7]
Prvním krokem analýzy je předzpracování dokumentu po mocí nástrojů NLP, které byly popsány výše. Prototypem pro tuto analýzu patentových dokumentů jsou programy PatEXPERT a nověji TOPAS Workbench, který při zpracování patentových textů využívá rozpoznávání jednotek textu, identifikaci slovních řetězců, extrakci komponentů vynálezu či segmentaci a přiřazování úseků textu mezi nárokem a popisem. Rozpoznávání jednotek textu přitom spočívá v identifikaci podstatných jmen či podstatných jmen s přívlastkem a přiřazení těchto jednotek k oblasti techniky, dále v rozpoznávání citací, standardizovaných termínů (např. fyzikálních jednotek) či vlastních jmen.[8]
Kromě toho se využívá identifikace technických jednotek textu (např. obráběcí zařízení). Tyto jednotky se v patentové literatuře vyskytují častěji než v jiné literatuře, často následují po (ne)určitých členech a zájmenech anebo se shodují s pojmy uvedenými v názvu vynálezu. Identifikace slovních řetězců spočívá v rozpoznávání sekvencí textu, které jsou zásadní jak pro analýzu textu živým odborníkem, tak pro počítačové zpracování.
Následně je segmentací text rozdělen do oddělených úseků, které se liší obsahem, formou i typem informací, které z nich lze získat. Jde např. o rozdělení textu na standardní kapitoly patentových přihlášek (oblast techniky, dosavadní stav techniky, podstata vynálezu, seznam obrázků a příkladná provedení), které se nejsnadněji provádějí na základě oddělovacích nadpisů kapitol. Následuje segmentace textu do úseků charakteristických pro tyto kapitoly, dále do tematických úseků popisujících cíle, účel a výhody vynálezu apod. Posledním důležitým bodem zpracování textu je nalezení a přiřazování úseků textu z nároků k příslušným úsekům popisu. Úseky popisu přitom uvádějí tytéž znaky, ale navíc s doplněním detailů, vysvětlením pojmů nebo parafrází slovního spojení uvedeného v nároku, což se pak využívá např. při sumarizaci textu pro získání kontextu (porozumění obsahu a extrakci informací).
V oblasti výzkumu technik pro analýzu patentových dokumentů z hlediska novosti nebo obecně patentovatelnosti existují různé přístupy, např. model zaměřený na extrakci delších řetězců textů z popisu vynálezu s validací modelu na dokumentech z konkrétní oblasti tech niky, což pomáhá interpretaci podstaty vynálezu. [7]
Inovativní přístup pro posuzování novosti vynálezů AI modelem zvolili Chikkamath a kol., kteří jako první svůj model trénovali na párech patentové přihlášky a vydané rešeršní zprávy úřadu, která se vyjadřovala k patentovatelnosti řešení. Posouzení novosti bylo definováno jako problém párové binární klasifikace, který dokumenty rozděluje do dvou tříd (pozitivní, může být nový; a negativní, nemůže být nový). [6]
Pro interní potřeby úřadů lze tyto metody potenciálně využít jako podklad pro kvalifikované rozhodování ve věci řízení o patentových přihláškách. Pokud by však měla být zodpovědnost např. za zamítnutí přihlášky vynálezu zcela přenesena z konkrétního examinátora na AI, je dle WIPO nutné nejdříve vyřešit otázku důsledků takového rozhodnutí. Analýza patentových dokumentů na základě výše uvedených metod je rovněž diskutována ve spojení s možnou automatickou detekcí výluk z patentovatelnosti, analýza nároků ve spojení s jejich interpretací v popise pak může sloužit i pro účely určovacích řízení a posuzování porušování práv.
Využití nástrojů umělé inteligence vybranými národními a regionálními úřady průmyslového vlastnictví
Lídrem ve využití sofistikovaných nástrojů AI je WIPO, při čemž část z nich využívá pouze pro své vlastní potřeby, část poskytuje dalším regionálním nebo národním úřadům a část z nich je také volně přístupná veřejnosti. Samotný úřad využívá AI zejména pro automatizované třídění příchozích patentových přihlášek k průzkumovým pracovníkům a předběžné rešerše na stav techniky, vyhledávání podobnosti ochranných známek a průmyslových vzorů (obrázku i textů či výrazů ve třídách zboží a služeb), strojové překlady patentových textů a pro služby chatbota.
Veřejnosti přístupné AI nástroje pak zahrnují např. strojový překladač WIPO Translate v rámci databáze PATENTSCOPE, který byl vyvinut speciálně pro potřeby WIPO a trénován na datech z otevřených zdrojů. V současné době je volně dostupný ve všech deseti oficiálních jazycích WIPO a podle šetření WIPO je v oblasti patentových dokumentů spolehlivější a přesnější než jeho konkurent Google Translate. V oblasti ochranných známek je volně dostupné obrázkové vyhledávání v rámci da tabáze Global Brand Database (WIPO Image Similarity Search), dále asistent Vídeňského třídění (WIPO Vienna Classification Assistant) a asistent pro výběr výrazů ve třídách zboží a služeb (Global Goods and Services Terms Explorer). Obrázkové vyhledávání bylo dosud implementováno do systémů 45 úřadů po celém světě a pokrývá téměř 38 milionů ochranných známek.[10][9]
Nástroje pro automatické třídění a reklasifikaci patentových spisů, generování vyhledávacích dotazů a provádění automatických rešerší na stav techniky využívá také Evropský patentový úřad (EPO), další nástroje jsou pak využívány pro automatické generování anotací v patentové literatuře, vyhledávání obrázků či výkresů a také pro indexování číselných hodnot a chemických sloučenin. EPO jako jednotný patentový systém EU sdružuje patenty v 38 evropských jazycích, a proto je jednou z priorit EPO také vývoj strojového překladu. Strojový překladač EPO vyvinulo v kooperaci se společností Google, a to s důrazem na speciální znaky patentových nároků, kde na základě této dohody nejprve Google poskytl EPO technologii strojového překladu a EPO následně Googlu umožnilo přístup k přeloženým patentovým dokumentům a jejich použití pro optimalizaci této technologie. Systém Patent Translate je dnes využívaný ve volně dostupném evropském registru a veřejné patentové databázi Espacenet. [12][11]
Úřad Evropské unie pro duševní vlastnictví (EUIPO) byl v roce 2021 vyhodnocen jako nejinovativnější IP úřad a na AI inovacích úzce spolupracuje také s jihokorejským národním úřadem (KIPO). Vzhledem k tomu, že EUIPO jako unijní instituce poskytuje služby v rámci celé EU, podstatná část informací a obsahu na webových stránkách musí být dostupná ve všech jazycích EU. Jako přijímající instituce pro přihlášky unijních ochranných známek a průmyslových vzorů úřad využívá vlastní systém pro obrázkové vyhledávání ochranných známek a průmyslových vzorů v databázi eSearch Plus, která rovněž nabízí vhodné třídy Vídeňského nebo Locarnského třídění. Kromě toho EUIPO spustil chatbota jako virtuálního asistenta pro snadné elektronické podávání přihlášek, který mimo jiné zahrnuje AI nástroj pro výběr vhodných tříd zboží a služeb pro ochranné známky, a dále funkci sémantického vyhledávání vhodných výrazů v rámci těchto tříd (Goods and Services Search). Nástroje strojového překladu pak EUIPO využívá také pro překlady v oblasti judikatury prostřednictvím systému eSearch Case Law, kde poskytuje automatické pře klady rozhodnutí Úřadu.[15][14][13]
Americký patentový a známkový úřad (USPTO) v oblasti patentového průzkumu vyvinul unikátní program kom binující AI na velkých datech a strojovém učení (byl vyvíjen jako interní, ale s využitím volně dostupných zdrojů dat), který je využíván pro vyhledávání/rešerše a pro tří dění. V rámci interních rešeršních nástrojů pro průzkum patentových přihlášek USPTO poměrně nedávno přidal také novou na AI založenou funkci podobnostního vyhledávání patentových dokumentů. Vlastní systém pro obrázkové vyhledávání Úřad využívá v oblasti patentových rešerší, zejména u tzv. design patentů, a dále při vyhledávání a posuzování podobnosti ochranných známek v rámci systému Trademark Image Search. USPTO provozuje také veřejně dostupný vyhledávací nástroj ISAT (Inventor Search Assistant Tool), který má sloužit soukromým subjektům jako startovací bod pro vyhledá vání relevantního stavu techniky. Kromě toho využívá také chatovacího asistenta pro poskytování informací o ochraně průmyslových práv a podávání elektronických přihlášek. Chatbot usnadňuje také zjištění stavu patentové přihlášky nebo registrace ochranné známky zadáním prostého dotazu ve stylu „Check status of application No.“, na základě kterého chatbot uživatele navede k požadovaným informacím. [18][17][16]
Pro všechny velké i menší úřady průmyslového vlastnictví je vývoj a vylepšování stávajících AI nástrojů prioritou a v kontextu rychlého technologického vývoje se jeví jako nevyhnutelný. Některé úřady pro tyto účely rovněž při způsobují svou současnou praxi tak, aby měly k dispozici dostatek kvalitních dat k trénování vlastních AI modelů. Příkladem je EPO, který pro jednotný evropský patent vyžaduje povinnost dodání překladu v alespoň jednom dalším úředním jazyce EU, přičemž tento překlad má sloužit pro další trénování strojových překladačů. Prohlubování integrace AI nástrojů pro zpracování dat průmyslového vlastnictví je velkým příslibem pro globální sdílení, šíření a extrakci informací a urychlení technologického vývoje.
Závěr
Využití nástrojů umělé inteligence, zejména metod strojového učení a umělých neuronových sítí, nachází již dnes praktické využití v řadě specializovaných aplikací v oblasti průmyslových práv. V informačních systémech většiny národních a regionálních úřadů jsou úspěšně implementovány interní nebo i veřejně dostupné nástroje pro automatickou klasifikaci, vyhledávání a analýzu patentových dokumentů i ochranných známek, strojové překlady či konverzační nástroje pro poskytování kvalitních služeb a zákaznické podpory. Výhodou těchto nástrojů je, že jsou přizpůsobeny specifické povaze textových i obrazových dat v oblasti patentů, průmyslových vzorů i ochranných známek, a podstatně tak zvyšují rychlost i efektivitu jejich analýzy. Mimo instituce mohou být tyto nástroje využívány také pro řízení procesů a rozhodování v kontextu ochrany průmyslového vlastnictví v soukromém sektoru.
Článek byl publikován v časopisu Duševní vlastnictví č. 4/2024.
Seznam pramenů a odborné literatury:
ANDRESEN, Scott L. John McCarthy: father of AI. IEEE Intelligent Systems, 2002, 17.5: 84-85. [1]
WIPO, „Frequently Asked Questions: AI and IP Policy“. Dostupné z https://www.wipo.int/about-ip/en/artificial_intelligence/ faq.html.[2]
COPELAND, B. J. „artificial intelligence“. Encyclopedia Britannica, 21 Mar. 2024. Dostupné z https://www.britannica.com/technology/artificial-intelligence. Accessed 15 November 2024.[3]
IBM, CHURCH, Bella, „5 types of chatbot and how to choose the right one for your business“, 2022. Dostupné z .https:// www.ibm.com/blog/chatbot-types/[4]
Carson Patents, „Using Chatbots for Patent Searching“. Dostupné z https://carsonpatents.com/chatbots-for-patent-searching/.[5]
CHIKKAMATH, Renukswamy, et al. An empirical study on pa tent novelty detection: A novel approach using machine learning and natural language processing. In: 2020 Seventh International Conference on Social Networks Analysis, Management and Security (SNAMS). IEEE, 2020. p. 1–7.[6]
SON, Junyoung, et al. AI for Patents: A Novel Yet Effective and Efficient Framework for Patent Analysis. IEEE Access, 2022, 10: 59205-59218.[7]
BRÜGMANN, Sören, et al. Towards content-oriented patent do cument processing: Intelligent patent analysis and summarization. World Patent Information, 2015, 40: 30–42.[8]
WIPO, „Artificial Intelligence Tools and Applications at WIPO“. Dostupné z https://www.wipo.int/web/ai-tools-services.[9]
WIPO, „Index of AI initiatives in IP offices“. Dostupné z https://www.wipo.int/about-ip/en/artificial_intelligence/search. jsp?technology_id=&territory_id=.[10]
KRAVETS, L. G. The first steps in developing machine translation of patents. World Patent Information, 2013, 35.3: 183–186. EPO, „Artificial intelligence“, 2022. Dostupné z. https:// www.epo.org/en/news-events/in-focus/ict/artificial-intelligence[12][11]
World Trademark Review, „EUIPO and KIPO ranked most innovative IP offices in the world“, 2022. Dostupné z .https://www. worldtrademarkreview.com/article-euipo-and-kipo-ranked-most- -innovative-ip-offices-in-the-world[12]
EUIPO, „New EUIPO AI tools empowering customer Services“. Dostupné z https://euipo.europa.eu/knowledge/course/ view.php?id=4531.[13]
USPTO, „New artificial intelligence functionality in PE2E Search“. Dostupné z https://www.uspto.gov/sites/default/ files/documents/ai-sim-search.pdf.[14]
Inventors Digest, „Your USPTO: News Flash – Start Your Search With the Inventor Search Assistant Tool“, 2022. Dostupné z https://www.inventorsdigest.com/articles/your-uspto-news-flash- -start-your-search-with-the-inventor-search-assistant-tool/.[15]
USPTO, „USPTO Virtual Assistant now available for Patents customers“, 2023. Dostupné z https://www.uspto.gov/ about-us/news-updates/uspto-virtual-assistant-now-available -patents-customers.[16]
Diskuze k článku ()